Что видит модель: контекст, память и ваши документы
Том загружает всю папку по закупкам и получает ответ по прошлогодним правилам. Чат, который вчера «помнил» Анну, сегодня её забыл. Во втором выпуске «AI: Фундамент» — контекст, память и подготовка документов.
Самое главное Развернуть · 5 карточек Свернуть
Неделя 2. Том загружает всю папку по закупкам и получает уверенный ответ по прошлогодним правилам. Чат, который вчера «помнил» Анну, сегодня будто её забыл. Во втором выпуске серии «AI: Фундамент» разберём рабочий стол модели: что на него попадает, что незаметно падает и как готовить документы так, чтобы нужная деталь действительно находилась.
Во вторник Тому понадобилось заказать новые сканеры для отдела, и он хотел уточнить, нужны ли три коммерческих предложения. Решив сделать всё основательно, он загрузил в чат всю папку по закупкам: действующий порядок, прошлогоднюю редакцию, служебную записку об исключениях и две длинные переписки. И написал: «Нужны ли три предложения для закупки до 10 000 €?»
Ответ появился мгновенно и был безупречно структурирован:
«Нет. Закупки до 10 000 € освобождены от требования трёх коммерческих предложений (пункт 4.2)».
Пункт 4.2 действительно существует и говорит ровно это — в прошлогодней редакции. Действующий порядок снизил порог до 5 000 €, а в записке об исключениях добавлено отдельное условие для IT-оборудования. Всё нужное лежало прямо в папке. Но в ответ не попало ничего из этого.
Пауза и прогноз. Почему модель ответила по устаревшей редакции?
- А. Её обучающие данные старые, поэтому она предпочитает старые правила.
- Б. Она вообще не увидела действующую редакцию.
- В. Она увидела обе редакции и не смогла понять, какая из них действующая.
- Г. Исключение оказалось для неё слишком сложным.
Честный ответ: почти наверняка сработало Б или В, и снаружи вы часто даже не поймёте, что именно из двух. Причина у них одна — что модель увидела и как этот материал был разложен. Вариант А звучит правдоподобно, но мимо цели: регламент лежал в папке, а не в общих знаниях модели. Вариант Г почти никогда не виноват: чётко написанное исключение модель применяет без труда — если оно лежит у неё на столе.
Заметьте, чем этот случай отличается от «пятницы» из первого выпуска. Там модель выдумала факт, чтобы закрыть пробел. Здесь ничего не придумано. У ответа есть реальный документ и реальный номер пункта — поэтому он выглядит куда убедительнее и оттого куда опаснее.
В первом выпуске мы сказали, что модель работает с тем, что лежит у неё на столе прямо сейчас. Этот выпуск посвящён самому столу. Это второй сдвиг AI-мышления: от «он знает» к «он видит».
Где на самом деле живут «знания» модели
Когда мы говорим, что AI что-то «знает», мы смешиваем три совершенно разные вещи.
1. То, что модель впитала при обучении. Миллиарды весов хранят закономерности из огромных массивов текста. Благодаря им модель без подсказки объяснит фотосинтез. Но у этих знаний три особенности:
- Это не каталог. Внутри нет полок с документами и адресами. По ответу нельзя понять, вспоминает ли модель, достраивает ли логикой или замазывает пробел.
- У них есть срок годности. Обучение обрывается на какой-то дате. Нового закона, свежего прайса или прошломесячной реорганизации там нет.
- Там нет вас. Порядков вашей организации, ваших решений и сроков в обучающих текстах не было.
2. То, что лежит у неё на столе сейчас. Это контекст — всё, что подано модели для текущего ответа: ваши реплики, уже прошедший диалог, приложенные файлы, результаты поиска и служебные инструкции сервиса, которых вы можете даже не видеть. Именно контекст определяет ответ намного сильнее, чем общее обучение.
3. То, что система умеет подтягивать со стороны. Некоторые сервисы ведут внешнюю память: заметки о вас, файлы проектов, подключаемые базы документов. Сама модель их в голове не носит. Приложение вокруг неё выбирает подходящие куски и выкладывает их на стол, когда сочтёт уместными.
Вот образ, который удерживает все три слоя. Представьте блестящего консультанта, который прочёл гигантскую публичную библиотеку вплоть до некоторой даты. На встречу с вами он приходит ровно с теми бумагами, которые вы вручили ему у двери. Помощник может подкладывать ему выписки из шкафа по ходу разговора. Когда встреча заканчивается, консультант забывает всё, что на ней происходило.
Обучение
Огромное, устаревающее, без каталога, ничего о вас.
Рабочий стол — контекстное окно
Место ограничено.
- Служебные инструкции, которых вы не видите
- Ход диалога: может обрезаться или сжиматься
- Ваши файлы: могут приходить выдержками
- Ответы инструментов: поиск, расчёты
- Сохранённые заметки из внешней памяти
Что на самом деле попадает на стол
То, что видите вы в окне чата, и то, что реально получает модель, может расходиться четырьмя способами.
Могут быть инструкции, которых вы не видите. Сервис добавляет собственные установки про тон, инструменты и формат ответа.
История беседы может урезаться. У стола есть предел размера — контекстное окно. Когда длинный чат приближается к этому пределу, приложение сокращает старые сообщения, сжимает их в пересказ или выбрасывает. Вы спокойно прокрутите экран вверх и увидите важную деталь, которую обсуждали час назад. А модель в это время работает по однострочной выжимке или вообще без неё.
Ваши файлы могут приходить кусками. Крупный документ система переводит в текст, режет на фрагменты и выкладывает на стол лишь то, что сочла подходящим.
Результаты работы инструментов ложатся в ту же стопку. Выдача веб-поиска и куски файлов оказываются на одном столе с вашими указаниями.
Отсюда вывод: «Я загрузил документ» и «модель опиралась на документ» — два разных утверждения. Для любого важного вопроса просите привязать ответ к тексту: «Процитируй предложение, на которое опираешься». Даже если внутренняя механика сервиса скрыта, цитата сразу покажет, с чем именно модель работала. Попроси Том цитату — он мгновенно увидел бы ссылку на прошлогодний файл.
«Но вчера он меня помнил»
В среду Анна заметила странность. В понедельник чат сам подставил её подпись в конце письма. Сегодня — нет. Забыл?
Здесь придётся уточнить упрощение из первого выпуска. Для самой модели между беседами не сохраняется ничего. От разговоров с вами её веса не меняются. Когда вы поправляете ошибку и следующий ответ становится точнее, модель не «научилась» по-человечески — просто ваша поправка легла на стол. Исследователи называют это обучением в контексте (in-context learning): модель способна подхватить образец из нескольких примеров прямо в диалоге без перестройки весов. Обучение на примерах в контексте без изменения весов. Менять сами веса требует отдельного процесса дообучения (fine-tuning), который в обычном чате не происходит.
А вот для всей системы целиком утверждение «каждый чат начинается с чистого листа» тоже неточно. Во многих сервисах встроена память: приложение сохраняет карточки-заметки («подписывает письма как Анна, руководитель отдела заявок») и подкладывает нужные в новые диалоги. Но отбор этот выборочный — попадёт ли заметка на стол сегодня, зависит от того, посчитает ли система её подходящей к новому вопросу. С подписью Анны сработал именно архивный шкаф, а не живая память.
Из этого следуют три привычки:
- Важные правила сохраняйте явно и проверяйте в новом, чистом диалоге.
- Не верьте обещанию «Я запомню». Когда модель пишет, что запомнила, — это реплика в тексте, а не операция записи в базу.
- Помните, кто держит нить работы. Один автор как-то спросил AI, что люди упускают в работе с ним, и получил честный по сути ответ: непрерывность держите вы. Для модели каждый разговор складывается только из того, что сейчас лежит на столе. История проекта и причины прежних решений остаются у вас и в ваших материалах. К заявлениям модели о себе нужно относиться осторожно (выпуск 1), но это точно совпадает с устройством системы.
И один неочевидный приём: иногда лучший шаг — начать заново. Длинная беседа с отброшенными черновиками вся целиком остаётся на столе и тянет модель обратно к старым промахам. Новый чат с короткой, актуальной сводкой почти всегда работает лучше десятого раунда «нет, сделай не так».
Больший стол не значит лучший стол
Рабочие столы моделей выросли до гигантских размеров — некоторые сервисы принимают сотни страниц за раз. Почему бы тогда не вываливать туда всё, как сделал Том?
Исследование · 2023. В работе Lost in the Middle («Потеряно в середине») исследователи показали, что на протестированных моделях и задачах качество ответа сильно зависело от того, где именно в большом объёме текста лежали нужные факты: сведения в начале и в конце использовались намного надёжнее, чем в середине. Новые модели справляются заметно лучше, и универсального безопасного процента заполнения не существует. Но большой объём материала всегда требует проверки, а не слепого доверия. Исследование работы с длинным контекстом
Объём к тому же рождает конкуренцию. В папке Тома лежали две версии одного порядка. Для модели обе — просто текст. Если явно не сказано, какой файл действующий, старое правило лежит на столе наравне с новым, а порой и сформулировано яснее. Дубликаты, отменённые решения и противоречивые письма перебивают нужные факты.

Попробуйте сейчас (10 минут): спрятанное исключение. Набросайте страницу условного регламента. Поставьте вверху понятное правило («Закупки до 5 000 € не требуют трёх предложений»), а в скучный абзац в середине спрячьте исключение («…кроме лицензий на ПО, для которых три предложения нужны всегда…»).
- Загрузите файл и спросите: «Нужны ли три предложения для покупки лицензии на ПО за 3 000 €?»
- Добавьте неподписанную старую редакцию с другим порогом и без исключения. Спросите снова.
- Пометьте файлы («ДЕЙСТВУЕТ» / «УТРАТИЛ СИЛУ, архив»), укажите, где живут исключения, и попросите процитировать строку-основание.
Что обычно происходит за три шага:
- 1. Чистый файл: «Да — хотя закупки до 5 000 € обычно идут без трёх предложений, лицензии на ПО явно исключены и требуют их всегда».
- 2. Неподписанный старый файл рядом: «Нет. По правилу о пороге 10 000 € (пункт 4.2) закупка на 3 000 € трёх предложений не требует». (Гладкая устаревшая норма перебила спрятанное исключение.)
- 3. С метками и требованием цитаты: «Да. По действующему порядку: „…кроме лицензий на ПО, для которых три предложения нужны всегда“». (Сравните со своими тремя прогонами.)
Как разложить документы на столе
Подготовка материалов для AI больше похожа не на загрузку в программу, а на вводный инструктаж толкового нового коллеги, который впервые видит вашу организацию.
Отбирайте, а не сваливайте. Давайте действующую редакцию, а не весь архив. Если нужна история вопроса — подпишите её как архив.
Помечайте версии, даты и статус. Имя reglament_v3_FINAL_nov.docx никому не помогает. Пометка «Порядок закупок: действующий, с марта 2026 года» снимает путаницу.
Задавайте старшинство документов. «Если приказ и порядок противоречат друг другу, для закупок IT приоритет у приказа».
Указывайте, где искать важное. «Исключения вынесены в раздел 6 и в отдельную записку» — десять секунд работы, которые спасают ответ.
Перед большой задачей составляйте короткую сводку состояния. Когда продолжаете серьёзную работу, особенно в новом чате, начните с пяти строк:
Цель: [что готовим и для кого]
Принятые решения: [список с датами]
Открытые вопросы: [список]
Ограничения: [что нельзя менять или обещать]
Источники: [какие файлы, какой действующий, какой главнее]
Читайте пересказы критически. Краткое изложение сохраняет общую линию и выкидывает исключения — а ведь именно из-за исключений обсуждение чаще всего и затевалось.
Практики называют этот подход организацией контекста (context engineering): осознанным отбором того, что попадёт на стол модели, в каком виде и в каком порядке. Подход Anthropic к организации контекста.
А модель вообще смогла прочитать то, что вы дали?
Прежде чем в третий раз переписывать запрос, проверьте более простую вещь. При сканировании могла пропасть колонка. Из PDF мог сбиться порядок чтения абзацев. В таблице могла разорваться связь между шапкой и строками, и цифры за второй квартал уехали в колонку третьего. Модель всё равно выдаст уверенный ответ, и ничто в её тоне не выдаст брак.
Проверка занимает тридцать секунд: попросите показать, что именно модель прочитала («выведи первые пять строк таблицы так, как ты их видишь»), и сверьте с оригиналом. Если текст разъехался, не спасёт никакая формулировка запроса — дайте чистый исходник.
Когда система сама подтягивает документы
Многие рабочие сервисы не ждут, пока вы прикрепите файл. Они сами ищут по корпоративной базе знаний и подкладывают найденные отрывки на стол модели перед ответом. Это называется генерацией с опорой на поиск (RAG) (retrieval-augmented generation): найти подходящие фрагменты → положить на стол → сформировать ответ. Оригинальная статья о RAG.
Представьте помощника в библиотеке, который сбегал к стеллажам и принес вам несколько страниц. Это страшно удобно, но ломается в трёх местах: помощник не нашёл ключевую страницу; принёс не ту редакцию; либо принёс нужную страницу, но модель при пересказе натянула смысл.
На третьей поломке Том и попался в четверг. Он загрузил расшифровку планёрки в корпоративного ассистента и попросил выписать поручения. В расшифровке было сказано:
«Постараемся закрыть к пятнице, если получим данные».
В итоговой таблице появилось: Ответственный: Анна. Срок: пятница. И даже ссылка на верную строку стенограммы стояла рядом.
Опять та же пятница — только в первом выпуске она заполняла пустоту, а здесь под ней есть реальная цитата, и поймать подмену намного сложнее. Между тем смысл изменился: условное намерение («постараемся, если…») превратилось в твёрдое обязательство.
Ссылка на источник — это точка, с которой проверка начинается, а не заканчивается. Проверить, существует ли цитата, недостаточно. Нужно сверить, что источник действительно подтверждает именно это утверждение, в этом объёме и с этими условиями. В четвёртом выпуске мы соберём из этого системное правило.

Всё на столе — просто текст
Есть ещё одно свойство рабочего стола, которое станет критичным в пятом выпуске, когда дойдём до агентов. Для вас очевидна разница между вашей инструкцией и документом, который вы дали на разбор. Для модели оба лежат на одном столе в виде текста. Поэтому внутри чужого документа может оказаться фраза, которую модель примет за новую инструкцию — например, скрытая строчка в письме с командой переслать переписку постороннему адресу. Это называется инъекцией в запрос (prompt injection), и такой приём уже демонстрировали в реальных системах. Исследование инъекций через внешние данные. Пока запомните принцип: всё, что попало на стол, способно управлять работой модели, кто бы это ни написал.
Где физически находится этот стол?
Файл, открытый на вашем ноутбуке, вовсе не обязательно обрабатывается на вашем ноутбуке. Десктопное приложение может отправлять его в облако; расширение браузера может читать открытую вкладку. То, что сервис открывается у вас на работе, ещё не значит, что в него можно класть закрытые внутренние документы. Для рабочих задач используйте только инструменты, разрешённые вашей организацией, и понимайте, куда уходят данные.
Сдвиг 2: от «он знает» к «он видит». Общие знания модели огромны, устаревают, не имеют каталога и не включают вашу организацию. Ответ сильнее всего зависит от того, что лежит на столе прямо сейчас. А стол ограничен, может незаметно обрезаться, считает любой текст на нём одинаково подлинным — и накрываете его вы. Прежде чем спрашивать «достаточно ли умна модель?», спросите: «Увидела ли она нужный материал — читаемый, с ясными пометками — и точно ли на него опёрлась?»
Практика: сводка состояния
Возьмите реальную задачу, в середине которой вы сейчас находитесь. Напишите для неё сводку из пяти строк: цель, принятые решения с датами, открытые вопросы, ограничения и источники с пометками об актуальности и приоритете. Откройте свежий чат, вставьте сводку и попросите предложить следующий шаг. Затем сравните с тем, что получается при продолжении вашего старого длинного диалога. Какой ответ точнее попадает в задачу?
В следующем выпуске
В понедельник третьей недели руководитель просит у Анны служебную записку на одну страницу: Как нашему отделу внедрять AI? Анна вбивает в чат ровно эту фразу — и получает гладкий, правильный текст, набитый словами «эффективность» и «ответственные инновации», совершенно непригодный для работы. Том достаёт свой список хитростей: пообещай $500 чаевых, напиши, что от этого зависит твоя карьера, пригрози. В третьем выпуске: что выяснилось, когда исследователи проверили эти «волшебные слова» всерьёз, и что работает вместо них.
AI: Фундамент — содержание серии
- Что находится по ту сторону окна чата: как языковая модель собирает ответ, почему AI бывает гениален и небрежен в один день и какие две привычки ловят придуманные обещания.
- Что видит модель: рабочий стол модели, что на самом деле значит «она запомнила» и как оформлять материалы, чтобы находилась нужная деталь.
- Как ставить задачу: почему волшебные слова перестали работать и из чего на самом деле состоит ясное задание.
- Доверяйте проверке, а не тону: откуда берутся убедительные ошибки, почему AI вам льстит и на какую внешнюю опору опираться при проверке.
- Как делегировать: когда передача работы AI окупается, как ставить задачу агенту и как не дать его ошибкам превратиться в действия.
- Оставаться в контуре: как учиться с AI, не теряя собственных навыков, и какие человеческие качества дорожают по мере роста моделей.
Только работающие инструменты
Раз в неделю — практические приёмы и шаблоны, проверенные в реальной работе.